未知非线性动态系统神经网络模型在线识别

神经网络为未知非线性动态系统的建模提供了一条新途径。本文探讨了只用单个隐含层的前向神经网络对未知非线性动态系统的识别。只要动态系统输入输出可测量,未知非线性动态系统就能在线识别。在线识别算法依据性能函数在输出空间最优原则导出,有别于常规的BP算法。求解速度快,适合于在线识别。仿真实例进一步表明,采用神经网络建立未知非线性动态系统的在线模型具有可行性。

含未知动态与扰动的非线性系统神经网络嵌入学习控制

针对带有不确定性与扰动的非线性系统的性能优化问题,提出一种基于神经网络嵌入的学习控制方法.对一类常见的Lyapunov函数导数形式,将神经网络控制器集成到某种对系统稳定的基准控制器中,其意义在于将原控制器改进为满足Lyapunov稳定的神经网络参数可调控制器,从而能够利用先进的神经网络学习技术实现控制器的在线优化.建立了跟踪误差的等效目标函数,避免了对系统输入–输出的辨识问题.建立了一种未知非线性与扰动等效值自适应方法,并依此方法设计基准控制器.以RBF(Radial basis function)反步自适应控制、基于卷积神经网络的滑模控制和深度强化学习控制为对比方法,对带有死区、饱和、三角函数等数值与物理非线性模型进行仿真分析以测试方法有效性,并针对上肢康复机器人控制问题进行虚拟实验以验证该方法的实用性.仿真与实验结果表明,该方法能在Lyapunov稳定条件下有效优化基础控制器性能,对比结果证实了该方法的实用性与先进性.

一类非线性动态系统的自适应模糊小波神经网络控制

对未知非线性动态系统研究基于模糊小波神经网络的自适应跟踪问题,首先构建一个模糊小波神经网络用于逼近未知的非线性函数的模型,然后根据李亚普诺夫稳定性理论建立自适应率,在线调整的模型参数包括小波网络的权重、小波的伸缩量、偏移量和模糊集合隶属函数的相关参数。提出了一种自适应模糊小波神经网络的滑模控制策略,保证系统的跟踪误差和对外界干扰的抑制被衰减到期望的程度。证明了闭环系统的半全局收敛性和鲁棒性,对倒立摆系统的仿真试验证明了所提控制方法的有效性。

基于强化学习的部分线性离散时间系统的最优输出调节

针对同时具有线性外部干扰与非线性不确定性下的离散时间部分线性系统的最优输出调节问题,提出了仅利用在线数据的基于强化学习的数据驱动控制方法.首先,该问题可拆分为一个受约束的静态优化问题和一个动态规划问题,第一个问题可以解出调节器方程的解.第二个问题可以确定出控制器的最优反馈增益.然后,运用小增益定理证明了存在非线性不确定性离散时间部分线性系统的最优输出调节问题的稳定性.针对传统的控制方法需要准确的系统模型参数用来解决这两个优化问题,提出了一种数据驱动离线策略更新算法,该算法仅使用在线数据找到动态规划问题的解.然后,基于动态规划问题的解,利用在线数据为静态优化问题提供了最优解.最后,仿真结果验证了该方法的有效性.

端边云协同的氧化铝生产过程苛性碱浓度智能预报方法

苛性碱溶液浓度是氧化铝生产过程中的重要运行指标,由于苛性碱溶液的温度和浓度频繁波动,导致目前的浓度检测仪表检测精度低,只能采用人工化验获得苛性碱浓度值,化验结果的严重滞后导致无法实现苛性碱浓度的自动控制,影响氧化铝产品质量.在分析苛性碱溶液浓度控制过程动态特性的基础上建立了由线性模型和未知非线性动态系统描述的苛性碱浓度预报模型,将参数辨识与自适应深度学习相结合,提出端边云协同的氧化铝生产过程苛性碱浓度智能预报方法,并采用氧化铝生产企业的实际生产数据对本文所提方法进行应用验证.应用结果表明,所提的苛性碱浓度智能预报方法可以实时、准确预报苛性碱浓度,为实现苛性碱浓度的闭环运行优化控制创造了条件.